【Python数据分析】数据探索+ 数据预处理

数据探索+ 数据预处理

• 一、数据探索
• 二、数据预处理
• • *基于客户价值分析案例（类似用户画像）*
  • 1. 基本理论
  • • 1.1 RFM模型
    • • 获取 RFM
      • RFM： 【用户的属性】
    • 1.2 聚类分析【RFM 结果数据】
    • 1.3 RFM聚类分析
  • 2.RFM聚类分析优势

一、数据探索

1. 统计量分析 ：

• 集中趋势的度量：均值、中位数、众数…
• 离散趋势的度量：极值、极差、标准差、方差、四分位数间距…

2. 相关性分析：通过散点图 获取 相关系数

二、数据预处理 基于客户价值分析案例（类似用户画像） 1. 基本理论

1. RFM模型
2. 聚类分析 （机器学习里面的算法 =》 结果 标签
3. RFM聚类分析

1.1 RFM模型 获取 RFM

根据用户属性 进行打标签【进行分类 】
=》

• 超级用户
• 普通用户
• 黑户

RFM： 【用户的属性】

R: 最近一次消费 距现在的时长 【时差】 recency；
F：消费频率 frequency；
M：消费金额 mon。

eg:
	客户a ：
		R：180  F：1次/月 M：100块/月
	客户b ：
		R：3   F：10次/月 M：1000块/月
	RFM模型=> 
		b 超级用户 
		a 流式用户
	标准： 
		1.RFM 高 =》 【超级用户 、 重要价值用户】
			【R 表示最近消费时间很近 R值很小】
		2.R低 FM高= 》【保持客户】
		3.RM高 F低 =》 【发展客户】
		4.RF低 M高 =》 【挽留客户】

1.2 聚类分析【RFM 结果数据】

一个可以分类的工具
聚类分析方法：

1. 层次聚类法
2. K-均值法（Kmeans）

1.3 RFM聚类分析

1. RFM 核心指标 进行 聚类分析
2. Kmeans =》 用户 进行分类 =》 4个类别
3. 4个类别 基于 RFM 对用户进行标注【对用户进行打标签】

2.RFM聚类分析优势

提供决策支持 。

---